来源：期刊VIP网 时间：
作者：陶怡;王飞;马玲娜;歹杰;严栋飞;
单位：西安航天自动化股份有限公司;
摘要：污水处理厂作为水资源保护的重要设施，其核心任务之一是监控和预测再生水的排放指标。由于污水排放数据具有高复杂度和场景一致性差等特点，传统的时序预测方法效果有限。为此，提出一种新型工业时序预测模型SSP-GLM(Sewage-oriented Serial data Processing Generative Large Model)，该模型通过将时间序列划分为子序列，利用深度卷积神经网络（CNN）提取局部特征，并结合生成式大模型（GLM）进行时序推理，提高了预测准确度。基于西安市两处污水处理厂的真实出水数据进行了实验，采用均方误差（MSE）和平均绝对误差（MAE）作为评估指标。结果表明，SSP-GLM在全量样本和小样本学习场景下均优于GRU、DLinear和Autoformer等基线方法，特别是在小样本条件下，其对复杂时序特征的捕捉能力显著增强。SSP-GLM在不同污水处理厂的数据上展现出良好的泛化能力，为工业污水处理的智能化管理提供了有力的技术支持。
关键词：工业软件;;污水处理指标预测;;生成式大语言模型;;时序模式预测
基金资助：陕西省重点研发计划(2025CY-YBXM528)
